CN117841687A - 电动车辆续航里程的预估方法、预估装置和存储介质 - Google Patents

Abstract

本发明提供一种电动车辆续航里程的预估方法、预估装置和存储介质，其包括：获取电动车辆的当前行车数据并且将其输入到能耗预估模型中，其基于电动车辆的历史行车数据以及与历史行车数据相对应的历史电量消耗进行建立；基于所述能耗预估模型，获取关于所述当前行车数据的预估电量消耗，将所述预估电量消耗传输到续航里程预估模型中，其基于所述历史行车数据以及与所述历史行车数据相对应的历史续航里程进行建立；基于所述续航里程预估模型，获取关于所述预估电量消耗和所述历史行车数据的预估续航里程；其中，所述历史行车数据和所述当前行车数据关于车辆状态参数、环境参数、电池状态参数、路径参数、驾驶员特征参数中的至少一个。

Description

电动车辆续航里程的预估方法、预估装置和存储介质

技术领域

本发明涉及一种电动车辆续航里程的预估方法以及一种用于实现这样的预估方法的预估装置和计算机可读存储介质。

背景技术

电动汽车车主不仅对所使用的动力电池本身的性能提出了较高的要求，而且对电动汽车剩余里程预估的准确性也提出了较高的要求。尤其需在复杂工况下行驶较远路程时，迫切地需要实时地或预先预估出到达目的地后所剩余的续航里程和电池电量，以避免不期望的意外发生。

基于此，从现有技术中已知一种剩余续航里程预估方法，其中，基于统计学上的前一时间段内的平均电量消耗以及剩余电池电量，通过关于行程距离的积分运算，可得出目标路径整体上所消耗的电量和完成该目标路径后的剩余续航里程。

此外，从现有技术中已知另一种预估方法，其中，响应于车辆控制器接收到目标路径和剩余续航里程预估请求，获取当前的电池电量和关于目标路径的相关信息，然后，基于神经网络模型获取完成该目标路径之后的剩余续航里程，其中，该神经网络模型仅基于实际剩余电量和实际剩余续航里程值来进行训练。

但根据实际使用感受，现有技术仍然无法精确地对剩余续航里程进行预估，用户体验较差。

发明内容

根据不同的方面，本发明的目的在于一种改善的电动车辆续航里程预估方法、预估装置和存储介质。

此外，本发明还旨在解决或者缓解现有技术中存在的其它技术问题。

本发明通过提供一种电动车辆续航里程的预估方法来解决上述问题，具体而言，该方法包括如下步骤：

获取电动车辆的当前行车数据并且将其输入到能耗预估模型中，所述能耗预估模型基于电动车辆的历史行车数据以及与所述历史行车数据相对应的历史电量消耗进行建立；

基于所述能耗预估模型，获取关于所述当前行车数据的预估电量消耗，所述预估电量消耗传输到续航里程预估模型中，所述续航里程预估模型基于所述电动车辆的历史行车数据以及与所述历史行车数据相对应的历史续航里程进行建立；

基于所述续航里程预估模型，获取关于所述预估电量消耗和所述历史行车数据的预估续航里程；其中，所述历史行车数据和所述当前行车数据关于车辆状态参数、环境参数、电池状态参数、路径参数、驾驶员特征参数中的至少一个。

根据本发明的一方面所提出的预估方法，基于关于电池状态参数的历史行车数据，校准所获取的关于电池状态参数的当前行车数据，其中，所述关于电池状态参数的历史行车数据包括历史电池电压、历史电池电流、历史电池内阻、历史电池温度中的至少一个。

根据本发明的一方面所提出的预估方法，所述基于关于电池状态参数的历史行车数据，校准所获取的关于电池状态参数的当前行车数据，具体包括：

基于所述关于电池状态参数的历史行车数据，根据电池老化模型得到理论电池状态参数；

将所述理论电池状态参数与所述关于电池状态参数的当前行车数据进行比较；

若所述理论电池状态参数与所述当前行车数据的偏差超过预设阈值，则对所获取的当前行车数据进行修正并且将修正后的当前行车数据输入到所述能耗预估模型中。

根据本发明的一方面所提出的预估方法，在所述电池老化模型中存储有电池特征曲线，借助所述电池特征曲线来获取所述理论电池状态参数。

根据本发明的一方面所提出的预估方法，还包括如下步骤：

获取在相邻时间点所得到的预估续航里程的预估偏差，若所述预估偏差超过预设偏差，则向驾驶员发出警示信息。

根据本发明的一方面所提出的预估方法，还包括如下步骤：

响应于所述预估偏差超过所述预设偏差，评估在所述相邻时间点所获取的当前行车数据；

基于评估结果，对所述预估偏差进行根因定位。

根据本发明的一方面所提出的预估方法，基于驾驶员在预设时间内的急减速次数、急加速次数、急转弯次数、平均能耗、和/或平均速度，得出驾驶员特征参数。

根据本发明的一方面所提出的预估方法，所述路径参数包括路径坡度参数、路径拥堵参数、和/或路径类型参数中的至少一个。

根据本发明的另一方面，提供了一种预估装置，其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现上面所阐述的电动车辆续航里程的预估方法。

根据本发明的再一方面，提供了一种计算机可读存储介质，在所述计算机可读存储介质上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上面所阐述的电动车辆续航里程的预估方法。

在综合考虑车辆本身包括动力电池状态在内和车辆外界环境因素的基础上，借助能耗预估模型和续航里程预估模型的组合，能够以较高的精确度来预估在完成目标路径之后的剩余电量和剩余的续航里程。

附图说明

参考附图，本发明的上述以及其它的特征将变得显而易见，其中，

图1示出了根据本发明的预估方法的一实施例的主要步骤；

图2示出了根据本发明的预估装置的示意性的框图。

具体实施方式

容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。

在本说明书中提到或者可能提到的上、下、左、右、前、后、正面、背面、顶部、底部等方位用语是相对于各附图中所示的构造进行定义的，它们是相对的概念，因此有可能会根据其所处不同位置、不同使用状态而进行相应地变化。所以，也不应当将这些或者其他的方位用语解释为限制性用语。此外，术语“第一”、“第二”、“第三”等或类似表述仅用于描述与区分目的，而不能理解为指示或暗示相应的构件的相对重要性。

如前文所描述的，根据实际使用感受，现有技术中存在的预估方法仍然无法精确地对剩余续航里程进行预估。比如，针对同一路径，在多辆电动车辆的当前电池电量相同的情况下，根据现有技术，多辆电动车辆预估的剩余续航里程数量是一致的，但这些车辆的实际续航表现却各有不同，剩余续航里程的预估不准确。一方面来说，现有技术没有考虑电动汽车当前或未来行驶工况特性以及电动车辆本身状态对续航里程的影响。例如，即便电动车辆的当前电池电量是相同的，电动汽车的行驶工况、电动车辆本身状态以及电池状态参数，均会对电量消耗造成影响。另一方面来说，怎么明确这些因素对续航里程的影响，从而能够在预估剩余续航里程数量时针对性地考虑这些因素，也是本发明所要解决的问题之一。

参考图1，其示出了根据本发明的用于预估电动车辆续航里程的方法的主要步骤，其中，“续航里程”这一概念应理解为电动车辆还可行驶的“剩余里程”，在本公开中具体是指，在驾驶员或车主所设定的目标路径之后还可行驶的剩余里程。该预估方法主要包括如下步骤：

步骤100（获取当前数据步骤）：获取电动车辆的当前行车数据并且将其输入到能耗预估模型中，所述能耗预估模型基于电动车辆的历史行车数据以及与所述历史行车数据相对应的历史电量消耗进行建立；

步骤S200（获取预估电量消耗步骤）：基于所述能耗预估模型，获取关于所述当前行车数据的预估电量消耗，所述预估电量消耗传输到续航里程预估模型中，所述续航里程预估模型基于所述电动车辆的历史行车数据以及与所述历史行车数据相对应的历史续航里程进行建立；

步骤S300（获取预估续航里程步骤）：基于所述续航里程预估模型，获取关于所述预估电量消耗和所述历史行车数据的预估续航里程。

需要说明的是，上文提到的（以及下面还要提到的）步骤名称仅仅用于步骤之间的区分和便于步骤的引用，并不代表步骤之间的顺序关系，包括附图的流程图也仅仅是执行本方法的示例。在没有明显冲突的情况下，步骤之间可以用各种顺序或者同时执行。

在获取历史数据时，对于已使用超出预设周期的电动车辆来说，其为本身的参数；与此相对地，对于新车来说，该历史数据还能够从相同类型和配置的其它电动车辆中获取。该历史行车数据从如下组中进行选择，所述组包括：车辆状态参数、环境参数、电池状态参数、路径参数以及驾驶员特征参数等等。在较优选的实施例中，该历史行车数据包括所列出的每一类参数。

车辆状态的变化会引起单位时间或单位行驶路程的电池电量消耗的不同，具体地，该车辆状态参数包括：驾驶模式参数，即所谓的运动模式或低能耗模式；空调使用状态参数，其可由空调输出的功率、风力等级或以简单的方式表示为空调的开启状态；车辆负载等级，其能够从车辆控制系统中直接读取或其能够根据车内乘客数量和平均重量的乘积来得出；轮胎压力参数，其可从车辆控制系统中直接读取。

相应地，环境参数是指该电动车辆所处的外界环境参数或车辆待行驶的目标路径所处的外界环境参数，例如天气参数。该天气参数用于表示阴天/晴天、湿度、温度、风向、风速、气压、可见度、以及空气质量指数等等。该环境参数能够以相应的指数来表征。

对于电池状态参数来说，其涉及在预估开始时刻的起始SOC（State of Charge，荷电状态）、电池容量。进一步地，该电池状态参数还能够包括电池温度、电池内阻、电池电压等。这主要出于以下原因，在不同的起始SOC的情况下，电池放电特性不同并且由此车辆最长可行驶路径也不同。

“路径参数”这一概念用于表征电动车辆要行驶的或正在行驶的路径（即目标路径）的相关参数，其例如能够从车载地图中直接获取并且例如涉及路径坡度参数、路径拥堵情况以及路径类型参数。路径拥堵情况能够以分等级的形式来表征，例如分为畅通模式、较拥堵模式、非常拥堵模式，其能够以具体的数字指数来表示。相应地，路径类型参数能够用于表征高速路径、城市路径等，这种分类方式主要出于如下考虑，在红绿灯较多的城市路径上平均电量消耗较大。

“驾驶员特征参数”用于表征驾驶员的驾驶习惯，通俗地讲，其在一定程度上能够表征该驾驶员是属于平稳型驾驶员还是属于激进型驾驶员。驾驶员特征参数能够根据在预设时间段内的急减速次数（例如通过制动踏板传感器获取）、急加速次数（例如通过加速踏板传感器获取）、急转弯次数（例如通过方向盘转角传感器来获取）、平均能耗、和/或平均速度（可从车辆控制系统中直接读出）。这些数据能够从先前的历史行车数据中获取，并且由此可通过聚类分析算法基于所述历史行车数据概括出或求出驾驶员特征参数。

在执行该评估方法时，可通过特征工程筛选出所需的并且符合标准的历史行车数据。在此，应该说明的是，用于训练预估模型的和用于后续还将阐述的校准过程的历史行车数据与在真正的预估过程中所使用的当前行车数据基本上保持类型相同，但不排除由于具体的操作而相应地对其进行改型。

在建立预估模型时，分别建立能耗预估模型和续航里程预估模型，这两个预估模型能够以神经网络模型的形式进行构建。这两个预估模型能够以基于误差的回归学习的方式来进行训练，最后将拟合误差最小的预估模型部署在云端或集成在车辆控制系统中。对于能耗预估模型来说，以所获取的上述历史行车数据为输入，以实际的历史电量消耗为监督对象，通过基于误差的回归学习对该预估模型进行训练。与此不同地，对于续航里程预估模型来说，以所获取的上述历史行车数据为输入，以实际的历史续航里程为监督对象，通过基于误差的回归学习对该预估模型进行训练。

本发明先根据能耗预估模型来明确电动汽车的行驶工况、电动车辆本身状态以及电池状态参数对电量消耗的影响，随后基于续航里程预估模型，在考虑到电量消耗的情况下，对续航里程进行预估，能够明确借助电量消耗明确电动汽车的行驶工况、电动车辆本身状态以及电池状态参数对续航里程的影响，从而能够准确地预估剩余续航里程。

在真正的预估过程中，首先，借助能耗预估模型，从当前行车数据中得出完成目标路径所需要的电量消耗，其作为预估电量消耗。所述预估电量消耗可直接或间接地输入到位于下一级的续航里程预估模型。在此，在所述间接输入的情况下，通过将电池初始SOC或初始电量减去预估电量消耗，得出在完成该目标路径之后的剩余电量，其用作下一级的续航里程预估模型的输入。

在此，在综合考虑车辆本身包括动力电池状态在内和车辆外界环境因素的基础上，借助能耗预估模型和续航里程预估模型的组合，能够以较高的精确度来预估在完成目标路径之后的剩余电量和剩余的续航里程。这主要是因为，不仅在能耗预估过程中而且在续航里程预估过程中都考虑到了上面所阐述的各类型的因素，这主要通过如下方式来实现，即将较准确的估算电量消耗应用到后续的续航里程预估过程中。具体地，在能耗预估过程中主要考虑到了当前行驶环境的相关因素，以这种方式能够较贴切地并且较准确地得出目标路径的消耗。与此不同地，在后续的续航里程预估过程中，主要考虑到了与该目标路径相关的剩余电量和平均的历史行车数据，因此能够给驾驶员一个较为直观的感知。

在此，为了进一步提高预估精确度，还能够可选地对所获取的当前行车数据进行校准，尤其对关于电池状态参数的当前行车数据（为简单起见，其在下文中被称为当前电池状态参数）进行校准。具体地，上述方法还包括步骤行车数据校准步骤，其中，基于关于电池状态参数的历史行车数据（其还可被称为历史电池状态参数），校准所获取的当前电池状态参数。该历史电池状态参数能够但不限于历史电池电压、历史电池电流、历史电池内阻、历史电池温度，进一步地，其还能够涉及到电池使用时间、电池容量等等。行车数据校准这一步骤能够有效地避免，由电池老化而引起的当前电池状态参数与实际电池状态参数的偏差使预估精确度下降。

具体地，该行车数据校准步骤能够如下地来执行：

首先，基于历史电池状态参数，根据电池老化模型得到理论电池状态参数；

其次，将所述理论电池状态参数与当前电池状态参数进行比较；

若所述理论电池状态参数与所述当前电池状态参数的偏差超过预设阈值，则对所获取的当前行车数据进行修正并且将修正后的当前行车数据输入到所述能耗预估模型中。

在该过程中，理论电池参数和待输入到后续的能耗预估模型中的当前电池状态参数能够简单地仅仅涉及到表征电池剩余电量的电池SOC。电池老化模型可构建为神经网络模型，其输入为上面所列举的历史电池状态参数，并且其输出为理论电池状态参数、尤其电池SOC。在一简单且可行的实施方式中，筛选出理论电池状态参数和当前电池状态参数中表征电池性能为相对较差的状态参数，并且将其输入到后续的能耗预估模型中。例如，将当前电池SOC和理论电池SOC中相对较小的那一个输入到后续的能耗预估模型中。在这种情况下，能够有效地降低电动汽车随后由于电量骤降而发生紧急被迫停车的概率。

可选地，该校准过程还能够基于电池特征曲线来进行，所述电池特征曲线可用于表征电池电压与电池SOC的关系，或能够简单地用于表征电池使用时间与电池容量的关系。

在完成上述能耗预估和续航里程预估过程之后，能够选择性地将电量消耗（其对于完成目标路径是必要的）、剩余电量（即完成目标路径之后所剩余的电量）或剩余续航里程中的一个或多个显示给驾驶员，尤其将这些信息都显示给驾驶员。所述信息还能够传输给车辆控制系统，所述车辆控制系统随后可基于这些信息来规划后续的操作，例如判断是否需要进行充电或换电操纵，或判断是否应该强制开启省电模式等。

可选地，根据本发明的预估方法还会对预估结果进行监控，具体通过如下方式，即，获取在相邻时间点所得到的预估续航里程或预估电量消耗或预估剩余电量的预估偏差，若所述预估偏差超过预设偏差，则向驾驶员发出警示信息。该警示信息可涉及到针对驾驶员操作的指示信息，例如降低车速、或平稳行进、或改变车辆配置参数等。这在电动车辆的电池电量相对较低或目标路径较长的情况下尤其是有利的，因为，通过警示和指导驾驶员以较省电的方式驾驶，能够进一步降低车辆由于电量骤降而引起的急停。

进一步地，在检测到预估偏差超过预设偏差这一异常情况时，通过评估和比较相邻时间点的当前行车数据，对该异常情况进行根因定位，也就是说，评估该异常情况所出现的原因，例如是驾驶方式的改变还是道路状况的改变亦或是车辆配置的改变促使了上述异常情况的出现。具体地，在此，能够比较相邻时间点或相邻时间段内的各参数的变化或其变化幅度来进行根因定位过程。在如下情况中，其中，检测出多个参数发生了较大幅度改变，还能够以贡献率的方式来表征主次要原因，并且将该主要原因和/或与其相对应的指导信息显示给驾驶员。在自动驾驶的情况下，该指导信息还能够直接被用于控制车辆行驶。

例如，若判定出，由于驾驶员特征参数、即驾驶员驾驶风格的改变而使剩余续航里程过短或电池剩余电量不足以完成该目标路径时，则提示驾驶员以较低的车速或较省电的模式进行驾驶，或为驾驶员指示出相应的充换电设备的位置。

综上所述，根据本发明的预估方法，在综合考虑车辆本身包括动力电池状态在内和车辆外界环境因素的基础上，借助能耗预估模型和续航里程预估模型的组合，能够以较高的精确度来预估在完成目标路径之后的剩余电量和剩余的续航里程。在该预估方法的一实施例中，通过在将当前行车数据输入到预估模型中之前对其进行校准，能够避免由于电池老化而引起的预估准确性的降低。在该预估方法的另一实施例中，通过对预估结果的监控并且输出相应的指示信息，能够指导驾驶员以较省电的方式来驾驶并且由此降低车辆由于断电而急停的风险。

参考图2，其示出了根据本发明的另一方面所提出的预估装置100的示意图，其包括存储器110（例如，闪存、ROM、硬盘驱动器、磁盘、光盘之类的非易失存储器）、处理器120以及存储在所述存储器110上并可在所述处理器120上运行的计算机程序130，所述计算机程序的运行实现了根据本发明的一个或多个实施例的用于电动车辆续航里程的预估方法。

可选地，该预估装置100能够是云端计算设备。示例性地，存储器110与处理器120作为云计算资源不仅能够位于同一物理设备（例如同一服务器）内，而且能够位于不同的物理设备（例如不同的服务器）处。

可选地，该预估装置100还能够集成在车辆本身的控制系统中。以这种方式在靠近数据源处对车辆续航里程进行预估，从而能够保证数据处理的实时性和稳定性。此外，这能够在一定程度上减轻云端的计算负荷并且有助于物联网的实现。

关于该预估装置的描述可参考上面关于根据本发明的预估方法的描述，对此不再赘述。

最后，本发明还涉及一种用于实现根据本发明的一个或多个实施例的用于电动车辆续航里程的预估方法的计算机可读存储介质。在此所提及的计算机可读存储介质包括各种类型的计算机存储介质，可以是通用或专用计算机能够存取的任何可用介质。举例而言，计算机可读存储介质可以包括RAM、ROM、EPROM、E2PROM、寄存器、硬盘、可移动盘、CD-ROM或其他光盘存储器、磁盘存储器或其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码单元并能够由通用或特定用途计算机、或者通用或特定用途处理器进行存取的任何其他临时性或者非临时性介质。关于根据本发明的计算机可读存储介质的描述可参考关于根据本发明的预估方法的描述，对此不再赘述。

应当理解的是，所有以上的优选实施例都是示例性而非限制性的，本领域技术人员在本发明的构思下对以上描述的具体实施例做出的各种改型或变形都应在本发明的法律保护范围内。

Claims (10)

1.一种电动车辆续航里程的预估方法，其特征在于，包括如下步骤：

获取电动车辆的当前行车数据并且将其输入到能耗预估模型中，所述能耗预估模型基于电动车辆的历史行车数据以及与所述历史行车数据相对应的历史电量消耗进行建立；

基于所述能耗预估模型，获取关于所述当前行车数据的预估电量消耗，将所述预估电量消耗传输到续航里程预估模型中，所述续航里程预估模型基于所述历史行车数据以及与所述历史行车数据相对应的历史续航里程进行建立；

基于所述续航里程预估模型，获取关于所述预估电量消耗和所述历史行车数据的预估续航里程；

其中，所述历史行车数据和所述当前行车数据关于车辆状态参数、环境参数、电池状态参数、路径参数、驾驶员特征参数中的至少一个。

2.根据权利要求1所述的预估方法，其特征在于，还包括如下步骤：基于关于电池状态参数的历史行车数据，校准所获取的关于电池状态参数的当前行车数据，其中，所述关于电池状态参数的历史行车数据包括历史电池电压、历史电池电流、历史电池内阻、历史电池温度中的至少一个。

3.根据权利要求2所述的预估方法，其特征在于，所述基于关于电池状态参数的历史行车数据，校准所获取的关于电池状态参数的当前行车数据，具体包括：

基于所述关于电池状态参数的历史行车数据，根据电池老化模型得到理论电池状态参数；

将所述理论电池状态参数与所述关于电池状态参数的当前行车数据进行比较；

若所述理论电池状态参数与所述当前行车数据的偏差超过预设阈值，则对所获取的当前行车数据进行修正并且将修正后的当前行车数据输入到所述能耗预估模型中。

4.根据权利要求3所述的预估方法，其特征在于，在所述电池老化模型中存储有电池特征曲线，借助所述电池特征曲线来获取所述理论电池状态参数。

5.根据权利要求1所述的预估方法，其特征在于，还包括如下步骤：

获取在相邻时间点所得到的预估续航里程的预估偏差，若所述预估偏差超过预设偏差，则向驾驶员发出警示信息。

6.根据权利要求5所述的预估方法，其特征在于，还包括如下步骤：

响应于所述预估偏差超过所述预设偏差，评估在所述相邻时间点所获取的当前行车数据；

基于评估结果，对所述预估偏差进行根因定位。

7.根据权利要求1至6中任一项所述的预估方法，其特征在于，基于驾驶员在预设时间内的急减速次数、急加速次数、急转弯次数、平均能耗、和/或平均速度，得出驾驶员特征参数。

8.根据权利要求1至6中任一项所述的预估方法，其特征在于，所述路径参数包括路径坡度参数、路径拥堵参数、和/或路径类型参数中的至少一个。

9.一种预估装置，其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现根据权利要求1-8中任一项所述的电动车辆续航里程的预估方法。

10.一种计算机可读存储介质，在所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1-8中任一项所述的电动车辆续航里程的预估方法。